Tecnologias para prevenção de acidentes em operações com empilhadeiras e segurança na interação homem-máquina: uma revisão de escopo

Resumo

Introdução  Os acidentes com máquinas e empilhadeiras são uma importante causa de morte de trabalhadores. A Quarta Revolução Industrial e a Saúde 4.0, com tecnologias como wearables e Internet das Coisas, oferecem soluções para prevenir acidentes.

Objetivo  Mapear evidências científicas sobre a implementação de tecnologias de prevenção de colisões em operações com empilhadeiras, com foco na redução de acidentes, na promoção de um ambiente de trabalho seguro.

Métodos  Revisão de escopo baseada em buscas em 11 bases de dados. O protocolo de pesquisa foi registrado no Open Science Framework (OSF) (). Foram incluídos artigos disponíveis na íntegra, em qualquer idioma e sem restrição temporal.

Resultados  A busca inicial retornou 390 artigos, dos quais oito foram selecionados para compor esta revisão. As principais abordagens analisadas incluíram Internet Industrial das Coisas, visão computacional, automação, captura de imagens 3D e análise de dados.

Conclusão  Os estudos indicam que a adoção dessas tecnologias nos ambientes industriais representa um avanço importante na criação de condições de trabalho mais seguras, com um grande potencial para moldar o futuro da segurança ocupacional.

Palavras-chave
Dispositivos Eletrônicos Vestíveis; Saúde do Trabalhador; Instalações Industriais e de Manufatura; Segurança no Trabalho; Prevenção de Acidentes

Abstract

Introduction  Accidents involving machinery and forklifts are a major cause of worker fatalities. The Fourth Industrial Revolution and Health 4.0, with technologies such as wearables and the Internet of Things, offer solutions to prevent accidents.

Objective  To map scientific evidence on the implementation of collision-prevention technologies in forklift operations, with a focus on reducing accidents and promoting a safe work environment.

Methods  A scoping review was conducted with searches of 11 databases. The research protocol was registered on the Open Science Framework (OSF) (). Articles available in full text, in any language, and without time restrictions were included.

Results  The initial search yielded 390 articles, of which eight were selected for this review. The main approaches analyzed included the Industrial Internet of Things, computer vision, automation, 3D image capture, and data analysis.

Conclusion  The studies indicate that the adoption of these technologies in industrial settings represents a significant advance in creating safer working conditions, with great potential to shape the future of occupational safety.

Keywords
Wearable Electronic Devices; Occupational Health; Industrial and Manufacturing Facilities; Workplace Safety; Accident Prevention

Introdução

A segurança do trabalho é vista como um processo contínuo e dinâmico, que vai além da prevenção de falhas e acidentes, focando na adaptação e resiliência do sistema de trabalho. Segundo Hollnagel¹, esse modelo enfatiza a importância de compreender como os processos funcionam bem na maior parte do tempo e como trabalhadores e organizações podem se adaptar e responder a imprevistos. Esse enfoque proativo da segurança torna-se relevante diante dos alarmantes números de acidentes e mortes no ambiente de trabalho¹.

Segundo a Organização Internacional do Trabalho (OIT), no mundo ocorrem cerca de 330 mil mortes por acidentes de trabalho a cada ano². Em 2022, no Brasil, o Observatório de Segurança e Saúde no Trabalho informa que foram registradas 612,9 mil notificações de acidentes de trabalho (CAT), incluindo 2,5 mil óbitos. O estado de São Paulo concentrou aproximadamente 34,6% das ocorrências, seguido por Minas Gerais (10,8%), Rio Grande do Sul (8,56%) e Santa Catarina (7,93%)³.

No Brasil, no período de 2012 a 2021, uma parcela importante dos acidentes de trabalho (15%) ocorreu durante operações com máquinas e equipamentos. Em 2021, esse percentual permaneceu elevado, atingindo 16% do total⁴. Segundo a Occupational Safety and Health Administration (OSHA)⁵, dos Estados Unidos da América (EUA), um em cada seis acidentes fatais no ambiente de trabalho naquele país envolve empilhadeiras, sendo que, em 80% dos casos, há o envolvimento de pedestres⁵. Em 2024, a OSHA estimou que, anualmente, entre 35.000 e 62.000 lesões relacionadas ao uso de empilhadeiras ocorram nos EUA, resultando em aproximadamente 75 a 100 mortes de trabalhadores, com uma média de 87 fatalidades por ano⁶.

Já no Brasil, no ano de 2024, foram registrados 2.635 acidentes envolvendo empilhadeiras, 347 deles ocorridos no estado de Santa Catarina³. Nesse mesmo ano, o Brasil registrou seis óbitos por empilhadeiras, sendo três em Santa Catarina, um na Bahia, um em Goiás e um em Minas Gerais. No mesmo ano, a letalidade por acidentes com empilhadeiras foi de 1,85% na Bahia, 1,33% em Goiás e 0,82% em Santa Catarina⁷. Portanto, compreende-se que os acidentes envolvendo empilhadeiras são frequentes e podem resultar em lesões graves e óbitos, gerando uma preocupação constante em relação à segurança e à saúde no trabalho.

Nos últimos anos, tem-se observado uma transformação nos modos de trabalho e comunicação, conhecida como Quarta Revolução Industrial (Fourth Industrial Revolution - FIR, em inglês). Esse novo paradigma é caracterizado pela adoção de processos que utilizam máquinas operadas por inteligência tecnológica⁸. A transformação digital é um fenômeno global que tem redefinido a cultura, as estruturas e os sistemas socioeconômicos, gerando impactos importantes tanto para a sociedade quanto para as empresas⁹.

A Indústria 4.0 representa uma estratégia voltada para o desenvolvimento de sistemas de manufatura avançados e automatizados, marcando um novo estágio na indústria de transformação. Seu objetivo é impulsionar a evolução da indústria inteligente por meio da utilização de dados e tecnologias digitais¹⁰. Esse conceito de transformação digital, baseado na automação e na integração de dados, pode ser expandido para outras áreas além da manufatura, como a saúde, por exemplo. A Saúde 4.0 aplica os avanços da Indústria 4.0 em ambientes institucionais e sociais, utilizando as mesmas tecnologias digitais para aprimorar e preservar a saúde da população¹¹.

A Saúde 4.0 impulsiona transformações nos campos médico, sociológico e psicológico, refletindo as inovações da FIR¹². Por meio dessa integração tecnológica, permite identificar melhorias e promover decisões mais informadas, facilitando a transição de um modelo reativo e baseado em taxa por serviço para um sistema focado em valor, resultados e prevenção proativa¹¹.

Dentre as tecnologias que têm emergido neste contexto, destacam-se o papel potencial e a aplicação de wearables como soluções voltadas para a segurança e saúde dos trabalhadores de diversos setores¹³. Wearables são dispositivos tecnológicos vestíveis, que marcaram o início da Saúde 3.0, projetados para se ajustar ao corpo e permitir a realização de atividades diárias com praticidade. Esses dispositivos oferecem diversas funcionalidades, integrando tecnologia ao cotidiano de forma intuitiva e eficiente¹⁴,¹⁵.

Com o avanço da Internet das Coisas (Internet of Things - IoT, em inglês), cadeias de valor inteiras estão sendo reconfiguradas pela tecnologia digital, seja de forma gradual ou por meio de mudanças disruptivas⁹. A função da Internet Industrial das Coisas (Industrial Internet of Things - IIoT, em inglês) é monitorar, coletar, tratar e analisar dados¹⁶, permitindo que eles ajustem seu comportamento de forma autônoma ou orientem outros dispositivos a fazerem o mesmo, sem a necessidade de intervenção humana¹⁷,¹⁸.

A visão computacional, subárea da inteligência artificial e do aprendizado de máquina, utiliza sistemas computacionais para analisar e interpretar dados visuais de forma detalhada¹⁹. Essa tecnologia permite detectar e monitorar riscos em tempo real, reconhecendo objetos e identificando precocemente situações perigosas. Além disso, sua capacidade de processar grandes volumes de dados visuais viabiliza uma vigilância contínua e automatizada, especialmente em ambientes industriais e de alto risco²⁰,²¹.

Os acidentes envolvendo empilhadeiras figuram como riscos ocupacionais, com potenciais consequências graves para os trabalhadores⁵,⁶. Embora tecnologias de prevenção de colisões estejam em expansão, evidências científicas sobre sua efetividade e implementação permanecem dispersas na literatura. Mapear esse conhecimento é, portanto, relevante para orientar decisões baseadas em evidências, além de identificar lacunas que demandam investigação futura.

Portanto, o objetivo deste artigo é mapear evidências científicas sobre a implementação de tecnologias de prevenção de colisões em operações com empilhadeiras, com foco na redução de acidentes e na promoção de um ambiente de trabalho seguro.

Métodos

Protocolo e registro

Trata-se de uma revisão de escopo que seguiu as etapas recomendadas pelo Instituto Joanna Briggs (JBI)²² e foi relatada segundo o guia Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR)²³. Esse tipo de revisão busca explorar os principais conceitos do tema em questão, averiguando a dimensão, o alcance e a natureza do estudo, condensando e publicando os dados, e, desta forma, apontando as lacunas de pesquisas existentes. O protocolo de pesquisa foi registrado no Open Science Framework (OSF) (doi: 10.17605/OSF.IO/8K39X e endereço: https://osf.io/8k39x/).

Critérios de elegibilidade

Foram elegíveis para inclusão nesta revisão estudos primários quantitativos, qualitativos e de métodos mistos e, caso encontrados, estudos secundários²³, tais como revisões sistemáticas, escopo, integrativas, narrativas e de literatura, desde que disponíveis na íntegra em todos os idiomas, sem recorte temporal. Foram excluídos artigos que não atenderam aos critérios estabelecidos para o objetivo e a questão de pesquisa, bem como literatura cinzenta e aqueles que não estavam disponíveis na íntegra, estudos em fase de projeto ou ainda sem resultados.

Fontes de informação

Foram consultados os seguintes indexadores: Base de Dados em Enfermagem (BDENF), Cumulative Index to Nursing and Allied Health Literature (CINAHL), Compendex, Computers and Applied Sciences, Embase, IEEE Xplore Digital Library, Literatura Latino-Americana e do Caribe em Ciências da Saúde (LILACS), United States National Library of Medicine/Medical Literature Analysis and Retrieval System Online (PubMed/MEDLINE), Scopus, Scientific Electronic Library Online (SciELO) e Web of Science. Essas bases foram selecionadas por sua abrangência e ampla cobertura nas áreas de engenharia, tecnologia, saúde e segurança.

Busca

Para apoiar a construção da estratégia de busca, foi empregada a mnemônica População, Conceito e Contexto (PCC)²². A população do estudo foi definida como trabalhadores que realizam operações com empilhadeiras; o conceito refere-se à implementação de tecnologias para prevenção de colisões; e o contexto abrange o ambiente industrial, onde as empilhadeiras são utilizadas. A composição da estratégia de busca foi elaborada utilizando os operadores Booleanos AND e OR e as combinações de descritores dos Descritores em Ciências da Saúde (DeCS) e Medical Subject Headings (MeSH) em todos os idiomas conforme descrito na Tabela 1. Não foram aplicados filtros temporais ou de idioma, pois isso reduziria o número de artigos recuperados nas bases de dados. A busca ocorreu no mês de janeiro de 2025.

Tabela 1
Estratégia de busca da revisão de escopo

Base de dados	Estratégia de busca
BDENF	(Empilhadeira*OR”CarretillaElevadora” OR ”Carretillaselevadoras”ORForklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Tecnologia”ORTecnologi*OR”Desenvolvimentotecnológico” OR ”TecnologiaDigital” OR ”TecnologiaBiomédica” OR ”TecnologiaAssistiva” OR ”DispositivosEletrônicosVestíveis” OR ”ComputadorVestível” OR ”DispositivoEletrônicoVestível” OR ”DispositivoVestível” OR ”DispositivosVestíveis” OR ”DesarrolloTecnológico” OR ”TeléfonoInteligente” OR ”DispositivosdeAutoayuda” OR ”DispositivosElectrónicosVestibles” OR ”ComputadorasVestibles” OR ”DispositivoElectrónicoPonible” OR ”DispositivoElectrónicoVestible” OR ”DispositivoPonible” OR ”DispositivoVestible” OR ”DispositivosElectrónicosPonibles” OR ”DispositivosPonibles” OR ”DispositivosVestibles” OR ”Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Segurança” OR ”SegurançaIndustrial” OR ”GestãodaSegurança” OR ”PrevençãodeAcidentes” OR ”Seguridad” OR ”SeguridadIndustrial” OR ”AdministracióndelaSeguridad” OR ”Prevenciónde Accidentes” OR ”Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
Compendex	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices”OR “WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
Computers & Applied Sciences Complete	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
CINAHL	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
Embase	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
IEEE Xplore	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
LILACS	(Empilhadeira*OR”CarretillaElevadora” OR ”Carretillaselevadoras”ORForklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Tecnologia”ORTecnologi*OR”Desenvolvimentotecnológico” OR ”TecnologiaDigital” OR ”TecnologiaBiomédica” OR ”TecnologiaAssistiva” OR ”DispositivosEletrônicosVestíveis” OR ”ComputadorVestível” OR ”DispositivoEletrônicoVestível” OR ”DispositivoVestível” OR ”DispositivosVestíveis” OR ”DesarrolloTecnológico” OR ”TeléfonoInteligente” OR ”DispositivosdeAutoayuda” OR ”DispositivosElectrónicosVestibles” OR ”ComputadorasVestibles” OR ”DispositivoElectrónicoPonible” OR ”DispositivoElectrónicoVestible” OR ”DispositivoPonible” OR ”DispositivoVestible” OR ”DispositivosElectrónicosPonibles” OR ”DispositivosPonibles” OR ”DispositivosVestibles” OR ”Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Segurança” OR ”SegurançaIndustrial” OR ”GestãodaSegurança” OR ”PrevençãodeAcidentes” OR ”Seguridad” OR ”SeguridadIndustrial” OR ”AdministracióndelaSeguridad” OR ”Prevenciónde Accidentes” OR ”Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
PubMED/MEDLINE	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
SciELO	(Empilhadeira*OR”CarretillaElevadora” OR ”Carretillaselevadoras”ORForklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Tecnologia”ORTecnologi*OR”Desenvolvimentotecnológico” OR ”TecnologiaDigital” OR ”TecnologiaBiomédica” OR ”TecnologiaAssistiva” OR ”DispositivosEletrônicosVestíveis” OR ”ComputadorVestível” OR ”DispositivoEletrônicoVestível” OR ”DispositivoVestível” OR ”DispositivosVestíveis” OR ”DesarrolloTecnológico” OR ”TeléfonoInteligente” OR ”DispositivosdeAutoayuda” OR ”DispositivosElectrónicosVestibles” OR ”ComputadorasVestibles” OR ”DispositivoElectrónicoPonible” OR ”DispositivoElectrónicoVestible” OR ”DispositivoPonible” OR ”DispositivoVestible” OR ”DispositivosElectrónicosPonibles” OR ”DispositivosPonibles” OR ”DispositivosVestibles” OR ”Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Segurança” OR ”SegurançaIndustrial” OR ”GestãodaSegurança” OR ”PrevençãodeAcidentes” OR ”Seguridad” OR ”SeguridadIndustrial” OR ”AdministracióndelaSeguridad” OR ”PrevencióndeAccidentes” OR ”Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
Scopus	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog*OR”TechnologicalDevelopment” OR ”DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)
Web of Science	(Forklift*OR”LiftTruck” OR ”LiftTrucks”) AND (“Technology”ORTechnolog* OR”TechnologicalDevelopment” OR “DigitalTechnology” OR ”BiomedicalTechnology” OR ”Self-HelpDevices” OR ”WearableElectronicDevices” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableComputer” OR ”WearableComputers” OR ”WearableDevice” OR ”WearableDevices” OR ”WearableElectronicDevice”) AND (“Safety” OR ”IndustrialSafety” OR ”SafetyManagement” OR ”AccidentPrevention”ORPreven*)

Seleção de fontes de evidência

Após a remoção das duplicatas, três revisores realizaram a triagem dos estudos (BPB, GMS e GA). Esse processo ocorreu de maneira cega e independente entre os revisores.

Inicialmente, foi realizada a leitura dos títulos e resumos. Dois revisores (BPB e GMS) realizaram a leitura dos resumos dos artigos selecionados, com o objetivo de avaliar sua relevância para a pesquisa e verificar se atendiam aos critérios de inclusão e exclusão.

Os artigos pré-selecionados foram lidos na íntegra por três revisores (BPB, GMS e GA) para confirmar sua pertinência ao estudo e a adequação aos critérios estabelecidos.

Processo de extração de dados

A extração dos dados foi conduzida de maneira independente, pelo autor BPB, a partir das bases selecionadas. Os dados foram organizados em uma planilha desenvolvida no Planilhas Google® (gap table), proporcionando uma visualização estruturada e organizada das informações extraídas dos estudos incluídos na revisão.

Itens de dados

Foram extraídas as seguintes informações relevantes: (1) caracterização dos estudos, incluindo: autor, periódico, ano, título e tipo de estudo; (2) aplicabilidade clínica; (3) tipo de tecnologia utilizada; e (4) principais resultados e limitações.

Síntese dos resultados

As informações foram organizadas em quadros e acompanhadas de conteúdo narrativo, utilizando o Planilhas Google®.

Resultados

Foram recuperados 390 registros, distribuídos nas seguintes bases de dados: CINAHL (n = 4); Compendex (n = 82); Computers and Applied Sciences (n = 63); Embase (n = 25); IEEE Xplore Digital Library (n = 49); PubMed/MEDLINE (n = 21); Scopus (n = 104); e Web of Science (n = 42). Não foram encontrados estudos elegíveis nas bases BDENF, LILACS e SciELO.

Após a remoção das duplicatas (n = 131), restaram 259 documentos para a leitura de títulos e resumos. Desses, 248 foram excluídos por não atenderem ao escopo da pesquisa, resultando na seleção de 11 artigos para leitura na íntegra, dos quais três foram excluídos por não corresponderem ao objetivo e à pergunta norteadora. Ao final, a revisão foi composta por oito artigos. O procedimento de busca e seleção dos estudos desta revisão está representado no fluxograma (Figura 1).

Figura 1
Fluxograma de buscas, conforme recomendações, adaptado do PRISMA-ScR

Quanto à origem, dois estudos foram conduzidos na China (25%), dois na Espanha (25%), dois na Itália (25%), um nos Estados Unidos (12,5%) e um na Tailândia (12,5%). Em relação ao idioma, todos os estudos estavam em inglês (n = 8; 100%). A distribuição dos artigos por ano de publicação foi a seguinte: 2014 (n = 2; 25%), 2021 (n = 1; 12,5%), 2024 (n = 4; 50%) e 2025 (n = 1; 12,5%). A descrição detalhada dos estudos, contendo título, objetivo, autoria, ano, país e periódico de publicação, encontra-se na Tabela 2.

Tabela 2
Caracterização dos estudos incluídos na revisão de escopo

Id	Título	Objetivo	Desenho do estudo	Número de participantes e desfecho	Autoria	Ano
A120	Lightweight object detection model for food freezer warehouses	Propor um novo modelo de detecção de objetos, o YOLOv8-RSS, para o gerenciamento inteligente de armazéns de congelados.	Estudo experimental de desenvolvimento e validação de modelo computacional (deep learning) proposta e teste do modelo YOLOv8-RSS em dataset próprio, com ablation study e comparação com modelos existentes	Não se aplica. O estudo utilizou um dataset de imagens composto por 4.463 fotografias capturadas por 3 três câmeras de vigilância em um armazém frigorífico em Yuxi, China. Desfecho: Acurácia de detecção de objetos (mAP@0.5 e mAP@0.5:0.95); número de parâmetros do modelo (M); custo computacional (FLOPs); detecção de trabalhadores com e sem EPI adequado (roupas de proteção) e de três tipos de empilhadeiras	Yang et al.	2025
A217	Occupational health and safety digitalization in Thailand: a framework and case study	Descrever a digitalização na Tailândia e a digitalização da saúde e segurança ocupacional no país.	Mini review narrativa + estudo de caso descritivo. A revisão descreve o panorama da digitalização em SST na Tailândia; o estudo de caso relata a implementação de um sistema IoT para gestão de frotas de empilhadeiras em uma empresa de manufatura, com coleta de dados por 6 meses (junho–novembro de 2023), seguindo o ciclo PDCA.	Não se aplica à revisão narrativa. Velocidade de condução dos operadores; força de impacto sobre as empilhadeiras (indicador de comportamento de direção); carga horária de trabalho dos condutores; distância percorrida; temperatura do motor (manutenção preventiva); ocorrência de quase-acidentes e acidentes (near misses); consumo de energia e custos de manutenção.	Boonruksa, Nontapa e Theppitak	2024
A324	Connected and intelligent framework for vehicle automation in smart-ports	Projetar e validar um framework colaborativo escalável que atenda às especificações e funções dos serviços portuários, utilizando tecnologias da Indústria 4.0 e comunicações sem fio avançadas por meio de Sistemas de Transporte Inteligente Conectados (C-ITS).	Estudo de desenvolvimento e validação tecnológica (research article) proposta, implementação e teste de um framework conectado e inteligente para automação de empilhadeiras em porto inteligente (Smart-Port).	Não se aplica. O estudo não envolve participantes humanos. O sistema foi testado com 3 três empilhadeiras. Viabilidade da comunicação V2X (Vehicle-to-Everything) entre empilhadeiras e infraestrutura portuária; precisão do seguimento de trajetórias autônomas; capacidade de detecção e resposta a obstáculos; sincronização entre veículos e semáforos inteligentes; interoperabilidade do gateway V2X-MQTT com o sistema de gerenciamento portuário (PMS); segurança operacional por meio da automação de tarefas repetitivas e de alto risco	Vaca-Recalde et al.	2024
A421	A few-shot learning methodology for improving safety in industrial scenarios through universal self-supervised visual features and dense optical flow	Desenvolver uma metodologia para a detecção, identificação e rastreamento de objetos em movimento em cenários industriais genéricos, com o objetivo de avaliar situações potencialmente arriscadas para a segurança do trabalhador.	Estudo de desenvolvimento e validação da metodologia DINOFSAFE para detecção de objetos em movimento em ambientes industriais, utilizando vídeos obtidos em condições operacionais reais.	Não se aplica. O estudo utilizou um conjunto de aproximadamente 6.500 imagens anotadas de ambientes industriais, sem participação direta de seres humanos. O treinamento dos classificadores foi baseado em 45 instâncias manualmente anotadas. Avaliaram-se o desempenho da classificação e detecção de objetos, a eficiência computacional e o esforço de rotulagem, além da capacidade do sistema em detectar situações de risco envolvendo trabalhadores, empilhadeiras e cargas em ambientes industriais.	del Olmo et al.	2024
A525	Investigating the two-by-two relationships between situational awareness, eye movements, & performance in forklift drivers	Investigar a relação entre a consciência situacional, os movimentos oculares e o desempenho em motoristas de empilhadeira.	Estudo experimental de campo com operadores de empilhadeiras, utilizando rastreamento ocular, avaliação da consciência situacional e análise de desempenho. Os dados foram analisados por correlação de Pearson e algoritmos de aprendizado de máquina.	15 operadores de empilhadeira. Foram avaliadas consciência situacional, o desempenho operacional e métricas de rastreamento ocular, bem como as associações entre esses indicadores em diferentes tarefas de operação de empilhadeiras.	Kang et al.	2024
A626	Forklift tracking: industry 4.0 implementation in large-scale warehouses through UWB sensor fusion	Determinar a localização de pallets em um armazém, associando sua posição à trajetória e orientação da empilhadeira durante o descarregamento.	Estudo experimental com validação por simulação computacional (análise numérica via Monte Carlo + testes em ambiente real).	Não se aplica. Estudo tecnológico conduzido com 1 uma empilhadeira em 9 nove trajetos experimentais distintos, em um armazém de 4.560 m2 .2. Foram avaliadas a acurácia da localização de empilhadeiras por meio da fusão de dados de sensores UWB, IMU e fluxo óptico, utilizando filtro de Kalman Unscented, bem como a capacidade de rastreamento em tempo real de paletes em ambiente industrial.	Motroni, Buffi e Nepa	2021
A727	Methods for improving visibility measurement standards of powered industrial vehicles	O estudo visa melhorar a visibilidade de empilhadeiras para reduzir acidentes com pedestres, desenvolvendo um sistema automatizado para medir pontos cegos e orientar fabricantes sobre como projetar ou adaptar veículos com sensores de segurança.	Estudo experimental comparando quatro métodos avançados de avaliação da visibilidade de empilhadeiras com base em modelagem digital e técnicas de varredura a laser.	Não se aplica. Estudo aplica.Estudo tecnológico realizado com 1 uma empilhadeira. Foram avaliados os pontos cegos de empilhadeiras, a adequação de métodos de medição da visibilidade às normas vigentes e a localização ideal de sensores de segurança para redução de riscos operacionais.	Bostelman et al.	2014
A828	Application of RFID technology for supporting effective risk management in chemical warehouses	O estudo analisa as tendências nas cadeias de abastecimento de produtos químicos e seu impacto nos riscos para operadores de armazém. Propõe um estudo de caso em um armazém químico, dividindo a planta em áreas para armazenamento, operações de carga/descarga, mistura e enchimento de produtos a granel, e escritórios comerciais.	Estudo de caso único com análise quantitativa de risco em um armazém químico de 25.000 m2, complementado por avaliação de viabilidade técnico-econômica de um sistema RFID/RTLS para gestão de riscos operacionais.	Não se aplica. O estudo foi realizado em um armazém com mais de 100 trabalhadores, distribuídos entre funções administrativas e operacionais, no contexto de análise organizacional e tecnológica. Foram quantificados os riscos de acidentes graves em operações com empilhadeiras em armazém químico, bem como seus custos econômicos, e avaliou-se a viabilidade e o custo-benefício de sistemas RFID/RTLS para mitigação de riscos.	Bragatto, Pirone e Gnoni	2014

• EPI: Equipamento de Proteção Individual; FLOPs: Floating point operations per second (Número de operações de ponto flutuante por segundo); MQTT: Message Queuing Telemetry Transport (Protocolo de mensagens baseado em padrões); SST: Segurança e Saúde do Trabalho; PDCA: (Plan, Do, Check, Act (Planejar, Fazer, Checar, Agir); IoT: Internet of Things (Internet das Coisas); UWB: Ultra Wideband (Banda Ultralarga); IMU: Inertial Measurement Unit (Unidade de Medição Inercial); RFID/RTLS: Radio Frequency Identification (Identificação por Radiofrequência) / Real-Time Location System (Sistema de Localização em Tempo Real).

Os oito estudos incluídos foram agrupados em quatro categorias tecnológicas, conforme a natureza principal da solução empregada: (1) Internet Industrial das Coisas (IIoT); (2) rastreamento e localização por radiofrequência; (3) sistemas conectados e automação veicular; e (4) visão computacional e aprendizado profundo. Adicionalmente, dois estudos abordaram a consciência situacional e a visibilidade do operador como dimensões complementares à adoção tecnológica.

Internet Industrial das Coisas (IIoT)

As aplicações baseadas em IIoT apresentaram potencial para aprimorar a segurança e a eficiência operacional. Boonruksa, Nontapa e Theppitak¹⁷ relataram um estudo de caso de gestão de frota de empilhadeiras (n = 5) em uma indústria de transmissões continuamente variáveis na Tailândia, utilizando um sistema IoT composto por cinco componentes integrados: caixa GPS (para registro de velocidade, horas de operação, distância percorrida e posição de estacionamento), leitores de cartão (para monitoramento do comportamento dos operadores), sensor de temperatura do motor, indicador de força de impacto e sistema automatizado de desligamento.

O mecanismo central de melhoria da segurança baseou-se no rastreamento individual da velocidade de condução de cada operador por meio da caixa GPS: ao tornar o comportamento de velocidade de cada motorista visível e mensurável, o sistema elevou a consciência de segurança (safety awareness) dos operadores, induzindo uma redução voluntária de velocidade. Após a implementação, 60% dos operadores (3 de 5) reduziram suas velocidades médias de condução. Contudo, as velocidades reduzidas ainda não atingiram o limite de segurança estabelecido pela empresa (≤ 7 km/h), o que evidencia uma limitação do modelo baseado apenas na visibilidade dos dados: a consciência individual não se mostrou suficiente para garantir conformidade plena com as normas de segurança. Diante disso, os autores¹⁷ planejaram aprimorar o sistema com a adição de alertas automáticos em tempo real ao exceder o limite de velocidade, avançando de uma abordagem passiva de monitoramento para uma intervenção ativa sobre o comportamento dos operadores.

Além da gestão de velocidade, o monitoramento das horas de uso possibilitou identificar desequilíbrios na distribuição de carga de trabalho entre os operadores com variação de 105 a 360 horas no período de seis meses e subsidiar o redesenho das rotas de deslocamento, reduzindo o trajeto de 336,5 para 264,5 metros, com impacto direto na prevenção de fadiga, na redução do consumo energético e nos custos de manutenção. Durante o período de implementação do sistema IoT (junho a novembro de 2023), não foram registrados acidentes ou quase-acidentes, contrastando com a média histórica de 0,97 ocorrências por semestre nos nove anos anteriores¹⁷.

Rastreamento e localização por radiofrequência (RFID, UWB e RTLS)

Motroni, Buffi e Nepa²⁶ propuseram um sistema de rastreamento para empilhadeiras em um armazém de 4.560 m², combinando Identificação por Radiofrequência (RFID), Unidade de Medição Inercial (IMU), Sensor de Fluxo Óptico (OFS), Ultra Wideband (UWB) e o algoritmo Filtro de Kalman Não Linear (UKF). Essa fusão de sensores permitiu o rastreamento preciso das empilhadeiras mesmo durante a movimentação e as operações de descarregamento. O uso do UKF para determinar a orientação dos veículos melhorou a precisão na localização dos paletes e a eficiência do processo de movimentação de mercadorias. O desempenho de localização obtido, aliado à baixa carga de processamento, qualifica o sistema não apenas para o monitoramento em tempo real das condições do armazém, mas também como candidato a aplicações de prevenção de colisões²⁶. Embora o impacto direto na promoção de ambientes mais seguros não tenha sido mensurado, as condições apresentadas pela tecnologia têm potencial para contribuir com a segurança no ambiente laboral.

Bragatto, Pirone e Gnoni²⁸ analisaram a aplicação de RFID e Sistemas de Localização em Tempo Real (RTLS) para reduzir acidentes e falhas em sistemas industriais complexos, com foco em armazéns de produtos químicos. Os pesquisadores demonstraram que, além de reduzir acidentes, essas tecnologias são custo-efetivas. A implementação do RTLS foi apontada como solução viável para rastrear operações em ambientes de alta complexidade, podendo reduzir a probabilidade de erros em manobras e no manuseio de cargas²⁸.

Sistemas conectados e automação veicular

Vaca-Recalde et al.²⁴ investigaram o uso de tecnologias da Indústria 4.0 em um ambiente de Smart-Port, empregando Sistemas de Transporte Inteligentes Conectados (C-ITS), Veículos Guiados Automatizados (AGVs) e unidades embarcadas (on-board units – OBU) para manobras colaborativas entre empilhadeiras, detecção de obstáculos e integração com a infraestrutura conectada do porto. O framework demonstrou viabilidade no controle logístico, melhorando a eficiência da movimentação de cargas e aumentando a segurança do ambiente de trabalho por meio de manobras colaborativas entre os veículos. A integração dos AGVs ao sistema logístico contribuiu para uma operação mais inteligente e segura²⁴.

Visão computacional e aprendizado profundo

As pesquisas centradas em visão computacional destacam avanços no uso de algoritmos e sensores inteligentes para detecção de riscos e monitoramento de operações. Yang et al.²⁰ propuseram o modelo YOLOv8-RSS, uma adaptação do YOLOv8 para detecção de objetos em armazéns de congelados, treinado com dataset coletado por câmeras de vigilância. O aprimoramento visou reduzir a demanda computacional mantendo precisão e efetividade nas detecções, características essenciais em operações logísticas, quando o tempo de resposta rápido é crítico para a segurança e a eficiência operacional²⁰.

Del Olmo et al.²¹ aplicaram a metodologia DINOFSAFE, que combina dense optical flow com o modelo DINOv2 e o Vision Transformer (ViT), para identificar condições perigosas em ambientes industriais. A metodologia foi desenvolvida e testada em áreas de armazém com um dataset personalizado de aproximadamente 6.500 imagens, combinando segmentação de movimento e características visuais para identificar padrões de risco. A abordagem reduziu a necessidade de treinamento humano e otimizou o uso de recursos computacionais, tornando-a uma solução escalável para diversos ambientes industriais. A integração entre técnicas de aprendizado profundo e visão computacional representa um avanço importante na automação do monitoramento de ambientes de trabalho²¹.

Consciência situacional e visibilidade do operador

Kang et al.²⁵ realizaram um estudo de campo com 15 motoristas de empilhadeira utilizando o dispositivo Tobii Glasses 2 para rastreamento dos movimentos oculares. O estudo avaliou a consciência situacional dos operadores – habilidade essencial para a condução segura em ambientes dinâmicos – e identificou que motoristas com maior consciência situacional tendem a manter o foco na direção do deslocamento, ampliando a percepção do ambiente e reduzindo o risco de acidentes. Em contrapartida, operadores com menor consciência situacional desviavam a atenção para o painel de instrumentos, elevando o risco de distração. Os resultados reforçam a necessidade de tecnologias voltadas ao aprimoramento da percepção situacional²⁵.

Bostelman et al.²⁷ propuseram o uso de modelagem CAD, digitalização a laser e fotografia panorâmica para medir a visibilidade do operador de empilhadeira e identificar regiões de ponto cego com potencial de risco. A fotografia panorâmica destacou-se como solução econômica e eficaz para avaliar o campo visual do operador, enquanto a digitalização a laser e a modelagem CAD forneceram avaliações mais detalhadas das áreas visíveis e não visíveis. Os resultados subsidiaram ajustes no design dos veículos e no posicionamento de sensores de segurança, com vistas à mitigação dos riscos operacionais²⁷.

Discussão

Os estudos analisados convergem em torno de três frentes tecnológicas aplicadas à segurança na movimentação interna de cargas. No campo do IIoT e rastreamento, Boonruksa, Nontapa e Theppitak¹⁷ mostraram redução significativa de acidentes com o uso de IIoT em empilhadeiras, registrando zero incidentes durante o monitoramento frente a uma média histórica de 0,97 por semestre. Resultados complementares foram obtidos por Vaca-Recalde et al.²⁴, com a integração de AGVs e sistemas C-ITS em um Smart-Port, e por Motroni, Buffi e Nepa²⁶, que combinaram RFID, IMU, UWB e o algoritmo UKF para rastreamento preciso com potencial para prevenção de colisões. Bragatto et al.²⁸ reforçaram a viabilidade econômica dessas soluções ao evidenciar o custo acessível e o retorno positivo de sistemas RFID e RTLS em ambientes logísticos complexos.

No eixo da visão computacional, Yang et al.²⁰ aprimoraram o modelo YOLOv8 para detecção de riscos em armazéns, enquanto Del Olmo et al.²¹ desenvolveram a metodologia DINOFSAFE, combinando optical flow e Vision Transformer para identificação escalável de condições perigosas. Bostelman et al.²⁷ contribuíram ao mapear zonas cegas de operadores por meio de modelagem CAD e digitalização a laser, subsidiando o redesign de veículos para torná-los mais seguros. Complementarmente, Kang et al.²⁵ rastrearam movimentos oculares de operadores e identificaram que maior consciência situacional está associada a menor risco de acidentes, evidenciando que a segurança operacional depende tanto de soluções automatizadas quanto do aprimoramento da percepção humana. De modo geral, os achados reforçam a tendência de convergência tecnológica como estratégia para elevar a segurança e a eficiência operacional, embora a predominância de estudos em ambientes controlados sinalize a necessidade de investigações em cenários reais de maior escala.

A gestão da segurança fundamenta-se no princípio de responder a eventos adversos ou à identificação de riscos classificados como inaceitáveis, com o propósito de eliminar suas causas e fortalecer as barreiras de prevenção e mitigação. Entretanto, a abordagem da Segurança II expande essa concepção ao ressaltar a relevância de compreender os fatores que possibilitam o êxito das operações em condições normais, a fim de elucidar as circunstâncias que, eventualmente, conduzem às falhas¹.

Os resultados obtidos a partir da aplicação de tecnologias baseadas em IIoT no ambiente industrial mostram-se promissores e indicam uma tendência de evolução nas práticas de segurança ocupacional.

No estudo de Boonruksa, Nontapa e Theppitak¹⁷, a implementação dessas soluções aprimorou a gestão de empilhadeiras, promovendo maior segurança e eficiência operacional ao melhorar a percepção de velocidade pelos operadores e reduzir a média de velocidade, com consequente diminuição do risco de acidentes. Os autores¹⁷ também propuseram o monitoramento das horas de funcionamento e da velocidade das empilhadeiras, o uso de leitores de cartão para acompanhamento do comportamento dos operadores, sensores de temperatura para verificação das condições dos motores, indicadores de impacto e mecanismos automatizados de controle.

Essa abordagem integrada evidencia uma tendência observada no conjunto dos estudos analisados: diferentes tecnologias tendem a priorizar dimensões distintas da segurança ocupacional. Tecnologias como RFID e UWB destacam-se pela capacidade de otimizar fluxos operacionais, controlar o acesso a zonas de risco e monitorar a localização de equipamentos e trabalhadores em tempo real, contribuindo sobretudo para a eficiência e rastreabilidade dos processos. Em contrapartida, soluções baseadas em visão computacional orientam-se predominantemente para a detecção ativa de riscos, identificando comportamentos inseguros, proximidade entre operadores e equipamentos, e situações de perigo iminente. Essa distinção é relevante do ponto de vista da gestão da segurança do trabalho: enquanto as primeiras atuam de forma mais estrutural e preventiva sobre o ambiente, as segundas respondem de maneira mais dinâmica a eventos em tempo real. A combinação dessas abordagens, como sugerido pelo estudo de Boonruksa et al.¹⁷, pode potencializar os resultados, uma vez que a complementaridade entre rastreamento eficiente e detecção de riscos tende a produzir sistemas de segurança mais robustos e abrangentes.

Tais medidas contribuíram para o aumento da segurança, redução da fadiga, reorganização das rotas, economia de energia e planejamento de manutenções preventivas.

Esses achados convergem com a literatura, que aponta que a IIoT amplia a visibilidade do ambiente operacional, favorecendo a identificação precoce de riscos e a adoção de ações corretivas mais ágeis¹⁸.

De forma complementar, Motroni, Buffi e Nepa²⁶ evidenciaram que a IIoT é essencial para o rastreamento de empilhadeiras em ambientes industriais, permitindo coleta e transmissão de dados em tempo real, redução de erros de trajeto e maior precisão na localização dos equipamentos. Essa aplicação contribui para a otimização dos processos logísticos e o aumento da segurança nas operações de carga e descarga²⁶. Resultados semelhantes são observados em investigações que associam tecnologias de rastreamento e automação, como o uso integrado de RFID e sensores conectados, os quais reforçam o potencial dessas soluções para reduzir acidentes e aprimorar o controle operacional²⁹-³⁰.

De modo semelhante, o framework desenvolvido por Vaca-Recalde et al.²⁴ demonstrou viabilidade para o controle logístico em ambiente de Smart Port, promovendo maior eficiência na movimentação de cargas e incremento na segurança por meio de manobras colaborativas entre veículos. Em consonância, estudos que aplicaram monitoramento em tempo real para controle de procedimentos de segurança em áreas de risco também evidenciaram melhoria na gestão da segurança e mitigação de riscos ocupacionais³¹. Ademais, a tecnologia RFID, conforme destacado por Bragatto, Pirone e Gnoni²⁸, mostra-se eficiente para o rastreamento de ativos, ferramentas e trabalhadores, fortalecendo as práticas de segurança organizacional por meio do controle de fluxo de materiais e de acesso a áreas restritas.

Nesse contexto, observa-se um avanço relevante na aplicação da IIoT no setor industrial, consolidando-se como uma aliada estratégica na mitigação de incidentes, ao possibilitar rastreamento contínuo e maior previsibilidade das operações, o que representa uma nova perspectiva para a gestão da segurança na indústria.

A visão computacional tem sido amplamente aplicada para a detecção e o monitoramento de riscos em tempo real. Nos estudos de Yang et al.²⁰ e del Olmo et al.²¹ , destaca-se a relevância dessa tecnologia para o reconhecimento de objetos, permitindo a identificação precoce de situações de risco e a tomada de decisões rápidas. A capacidade de processar grandes volumes de dados visuais viabiliza uma vigilância contínua e automatizada em ambientes industriais e atividades laborais de maior risco²⁰,²¹. Nesse contexto, abordagens baseadas em modelos como o YOLOv8 vêm sendo empregadas não apenas para a detecção de pessoas e equipamentos, mas também para o monitoramento de distâncias seguras e conformidade com normas de segurança, como as diretrizes da OSHA⁶-³², reforçando o potencial preventivo dessas soluções.

O modelo YOLOv8-RSS, empregado por Yang et al.²⁰ no monitoramento de armazéns de alimentos congelados, mostrou melhoria na alocação de recursos e no aumento da segurança operacional. O sistema destacou-se pela capacidade de detectar simultaneamente pessoas e empilhadeiras, bem como identificar riscos, como o uso inadequado de equipamentos de proteção individual. De maneira convergente, outras aplicações do YOLOv8 têm incorporado módulos de estimativa de distância e análise postural por meio de Redes Neurais Convolucionais, possibilitando a classificação automática de operações seguras e inseguras e a identificação de comportamentos de risco dos operadores em tempo real³²,³³. Além disso, o design leve desses modelos favorece sua implementação em ambientes com restrições de recursos computacionais²⁰, ampliando sua aplicabilidade prática.

Em síntese, os estudos demonstram que a aplicação da visão computacional, especialmente por meio de modelos baseados em deep learning como o YOLOv8, tem se mostrado útil na detecção de riscos, no monitoramento de comportamentos e na automação da segurança em ambientes industriais. Integrada à IIoT, essa tecnologia amplia a capacidade de prevenção e resposta a incidentes, contribuindo para operações mais seguras, eficientes e inteligentes.

Em ambientes industriais, del Olmo et al.²¹ propuseram uma metodologia voltada a contextos com intensa interação entre pessoas e objetos, aplicável a diferentes setores produtivos. Baseada em características visuais universais e aprendizado autossupervisionado, a proposta reduz a necessidade de treinamento manual e, consequentemente, os custos computacionais. Além disso, os autores desenvolveram um dataset com aproximadamente 6.500 imagens, contribuindo para o avanço de pesquisas na área. No entanto, ressaltam que a criação de ambientes operacionais mais seguros depende do desenvolvimento de regras computacionais específicas capazes de identificar e prever perigos conforme a realidade de cada processo²¹.

Adicionalmente, Vaca-Recalde et al.²⁴ validaram um sistema modular para automação portuária, que assegura operações mais seguras e comunicação eficiente. A automação, segundo os autores, aumenta a produtividade, reduz tarefas repetitivas e demanda mão de obra qualificada. Embora os testes laboratoriais tenham confirmado sua viabilidade, ainda há desafios relacionados à adaptação a novos tipos de veículos, à complexidade dos cenários operacionais e à segurança cibernética. O estudo também destacou o papel dos algoritmos de análise de dados, que processam e interpretam informações captadas por sensores, identificando padrões e prevendo possíveis incidentes²⁴.

Outro aspecto relevante é a aplicação de tecnologias de rastreamento ocular e análise de dados, como demonstrado por Kang et al.²⁵, que utilizaram o Eye-Tracking associado à Situation Awareness Rating Technique (SART) para mensurar a percepção situacional dos operadores e identificar falhas de atenção potencialmente causadoras de acidentes. O estudo evidenciou que operadores com maior consciência situacional mantêm o foco na área frontal de visão, enquanto aqueles com menor SART tendem a se concentrar em painéis e consoles, aumentando o risco de incidentes. A tecnologia fornece dados objetivos em tempo real para otimizar a percepção situacional, apoiar o treinamento de motoristas e aprimorar o design de sistemas homem-máquina, reduzindo a probabilidade de acidentes em ambientes com múltiplas interações²⁵.

Por fim, as ferramentas de modelagem 3D e simulação têm se mostrado estratégicas para o aprimoramento da segurança ocupacional. Bostelman et al.²⁷evidenciaram que o uso de modelos CAD e simulações tridimensionais possibilita a criação de cenários virtuais para testar, validar e otimizar operações, permitindo a identificação prévia de riscos e a adoção de medidas corretivas antes da implementação prática, o que contribui para maior segurança e eficiência operacional. Em consonância com essa perspectiva, aplicações do Building Information Modeling (BIM) também têm montrado potencial na gestão preventiva da segurança, ao favorecer a visualização de riscos, a detecção de falhas estruturais e o planejamento antecipado de intervenções³⁴. Tais abordagens reforçam a importância das tecnologias de modelagem digital como instrumentos de apoio à tomada de decisão e à gestão integrada da segurança.

De modo geral, os estudos convergem ao apontar que o uso de tecnologias emergentes, como IIoT, visão computacional, automação inteligente, rastreamento ocular e modelagem 3D, representa um avanço importante na gestão da segurança industrial, ao possibilitar a identificação precisa de riscos, a antecipação de falhas e a promoção de ambientes de trabalho mais seguros e eficientes.

A integração dessas soluções consolida uma abordagem orientada por dados, capaz de aprimorar a gestão da segurança e otimizar processos operacionais. Assim, evidencia-se que a incorporação dessas tecnologias à rotina industrial não apenas potencializa a eficiência e a confiabilidade das operações, mas também redefine os paradigmas de prevenção e controle de incidentes e acidentes, constituindo um passo decisivo rumo a uma indústria mais segura, inteligente e resiliente.

Conclusão

Os resultados deste estudo indicam que as tecnologias aplicadas ao ambiente industrial demonstram potencial promissor para a promoção da segurança no trabalho. As soluções analisadas – IIoT, visão computacional e sistemas de rastreamento – apresentaram resultados potencialmente favoráveis à melhoria da segurança operacional, à redução de erros humanos e à otimização de processos em contextos específicos. A IIoT, por exemplo, mostrou-se uma abordagem promissora para a gestão de empilhadeiras, com a integração de sensores e dispositivos conectados contribuindo para ganhos de eficiência e segurança nos cenários investigados.

Contudo, é importante destacar que tais achados derivam majoritariamente de relatos de caso e testes de viabilidade técnica, de um número relativamente pequeno de estudos incluídos na presente revisão (n = 8), o que limita a generalização dos resultados. Não foram identificadas, nos estudos analisados, evidências estatisticamente robustas de redução de acidentes em escala real. Assim, embora as tecnologias examinadas se mostrem candidatas promissoras para ambientes logísticos e industriais, sua adequação a cenários operacionais amplos ainda carece de validação empírica, reforçando a necessidade de estudos futuros com maior rigor metodológico e abrangência.

Já a visão computacional se destacou na detecção precoce de riscos e na vigilância automatizada, contribuindo para a segurança em tempo real. Além disso, a tecnologia de rastreamento ocular foi fundamental para melhorar a consciência situacional dos operadores, promovendo um ambiente de trabalho mais seguro ao reduzir a probabilidade de acidentes.

A implementação dessas tecnologias não apenas melhora as condições de segurança, mas também contribui para a eficiência operacional, permitindo a monitorização e intervenção em tempo real, e a tomada de decisões mais precisas e informadas. A integração de sistemas como IIoT, RFID e algoritmos de análise de dados oferece uma abordagem holística para a gestão de segurança, com impactos positivos tanto para a proteção dos trabalhadores quanto para a produtividade das operações. Em suma, a adoção dessas tecnologias nos ambientes industriais representa um avanço considerável na promoção de condições de trabalho mais seguras, com um grande potencial para moldar o futuro da segurança ocupacional.

Contudo, é fundamental aprofundar a compreensão do fenômeno estudado para estabelecer diretrizes que definam com maior precisão os riscos aos trabalhadores e os mecanismos para sua previsão e mitigação. Além disso, esta revisão evidencia uma lacuna de estudos aplicados, especialmente no Brasil, onde não foram identificadas pesquisas sobre o tema.

Referências

• ¹ Hollnagel E. Safety-I and Safety-II: the past and future of safety management. Londres: CRC Press; 2014.
• ² International Labor Organization. Segurança e saúde no trabalho. Geneva: ILO; 2023 [citado 5 jun 2025]. Disponível em: https://www.ilo.org/pt-pt/resource/news/quase-3-milhões-de-pessoas-morrem-devido-acidentes-e-doenças-relacionados
  » https://www.ilo.org/pt-pt/resource/news/quase-3-milhões-de-pessoas-morrem-devido-acidentes-e-doenças-relacionados
• ³ Smartlab. Observatório de Segurança e Saúde no Trabalho: promoção do meio ambiente do trabalho guiado por dados. Brasília: Ministério Público do Trabalho; 2022 [citado 5 jun 2025]. Disponível em: https://smartlab.mpt.mp.br/sst
  » https://smartlab.mpt.mp.br/sst
• ⁴ Nações Unidas no Brasil. Acidentes de trabalho e mortes acidentárias voltam a crescer no Brasil em 2021. Brasília: ONU Brasil; 2021 [citado 5 jun 2025]. Disponível em: https://brasil.un.org/pt-br/178950-acidentes-de-trabalho-e-mortes-acident%C3%A1rias-voltam-crescer-no-brasil-em-2021
  » https://brasil.un.org/pt-br/178950-acidentes-de-trabalho-e-mortes-acident%C3%A1rias-voltam-crescer-no-brasil-em-2021
• ⁵ Occupational Safety and Health Administration. Commonly used statistics. Washington: OSHA; 2023 [citado 5 jun 2025]. Disponível em: https://www.osha.gov/data/commonstats
  » https://www.osha.gov/data/commonstats
• ⁶ Occupational Safety and Health Administration. Forklift safety: hazards & prevention. Washington: OSHA; 2024 [citado 13 set 2025]. Disponível em: https://www.osha.com/blog/forklift-hazards-prevention
  » https://www.osha.com/blog/forklift-hazards-prevention
• ⁷ Instituto Nacional do Seguro Social (BR). Comunicações de Acidente de Trabalho - CAT: Plano de Dados Abertos: jun. 2023 a jun. 2027. Brasília: INSS; 2025 [citado 13 set 2025]. Disponível em: https://www.gov.br/inss/pt-br/acesso-a-informacao/dados-abertos/plano-de-dados-abertos/pda-inss-2023-2027.pdf
  » https://www.gov.br/inss/pt-br/acesso-a-informacao/dados-abertos/plano-de-dados-abertos/pda-inss-2023-2027.pdf
• ⁸ Pauliková A, Babelová ZG, Ubárová M. Analysis of the impact of human-cobot collaborative manufacturing implementation on the occupational health and safety and the quality requirements. Int J Environ Res Public Health. 2021;18(4):1750. https://doi.org/10.3390/ijerph18041927
  » https://doi.org/10.3390/ijerph18041927
• ⁹ Schwab K, Davis N. Aplicando a quarta revolução industrial. São Paulo: Edipro; 2019.
• ¹⁰ Meindl B, Ayala NF, Mendonça J, Frank AG. The four smarts of Industry 4.0: Evolution of ten years of research and future perspectives. Tech Forecast Soc Change. 2021;168:120784. https://doi.org/10.1016/j.techfore.2021.120784
  » https://doi.org/10.1016/j.techfore.2021.120784
• ¹¹ Chanchaichujit J, Tan A, Meng F, Eaimkhong S. Healthcare 4.0: next generation processes with the latest technologies. Singapura: Palgrave Macmillan; 2019.
• ¹² Cwiklicki M, Klich J, Chen J. The adaptiveness of the healthcare system to the fourth industrial revolution: a preliminary analysis. Futures. 2020;122:102602. https://doi.org/10.1016/j.futures.2020.102602
  » https://doi.org/10.1016/j.futures.2020.102602
• ¹³ Santos JLS, Marques MAJ, Sell D, Trierveiler HJ. Potenciais aplicabilidades de tecnologias digitais: um estudo sobre wearables na indústria de óleo e gás. An Congr Int Conhec Inov. 2022;11:1-15. https://doi.org/10.48090/ciki.v1i1.1169
  » https://doi.org/10.48090/ciki.v1i1.1169
• ¹⁴ Silva FF, Vita JB. Wearables, telemedicina e futuro da saúde no brasil: novas tendências em tecnologias de saúde para enfrentamento de pandemias. Hum Inov. 2022 [citado 6 jun 2025];9(19):195-211. Disponível em: https://revista.unitins.br/index.php/humanidadeseinovacao/article/view/5608
  » https://revista.unitins.br/index.php/humanidadeseinovacao/article/view/5608
• ¹⁵ Tourinho FSV, Schuelter PI, Fermo VC, Caldas MM, Alves TF, Barbosa SS, organizadores. Desenvolvimento de tecnologias em pesquisa e saúde: da teoria à prática. São Paulo: Científica Digital; 2022.
• ¹⁶ Boyes H, Hallaq B, Cunningham J, Watson T. The industrial internet of things (IIoT): an analysis framework. Comput Ind. 2018;101:1-12. https://doi.org/10.1016/j.compind.2018.04.015
  » https://doi.org/10.1016/j.compind.2018.04.015
• ¹⁷ Boonruksa P, Nontapa S, Theppitak C. Occupational health and safety digitalization in thailand: a framework and case study. J UOEH. 2024;46(1):93-101. https://doi.org/10.7888/juoeh.46.93
  » https://doi.org/10.7888/juoeh.46.93
• ¹⁸ Khan WZ, Rehman MH, Zangoti HM, Afzal MK, Armi N, Salah K. Industrial internet of things: recent advances, enabling technologies and open challenges. Comput Electr Eng. 2020;81:106522. https://doi.org/10.1016/j.compeleceng.2019.106522
  » https://doi.org/10.1016/j.compeleceng.2019.106522
• ¹⁹ Gonçalves M, Marques T, Gaspar PD, Soares VNGJ, Caldeira JMLP. Protótipo de solução para detetar e sinalizar defeitos em pavimentos rodoviários baseado em técnicas de visão computacional. Rev Ibérica Sist Tecnol Inf. 2023;(52):25-44. https://doi.org/10.17013/risti.52.25-44
  » https://doi.org/10.17013/risti.52.25-44
• ²⁰ Yang J, Liang Z, Qin M, Tong X, Xiong F, An H. Lightweight object detection model for food freezer warehouses. Sci Rep. 2025;15(1):2350. https://doi.org/10.1038/s41598-025-86662-z
  » https://doi.org/10.1038/s41598-025-86662-z
• ²¹ Olmo JJL, Gómez ÁLP, López-de-Teruel PE, Ruiz A. A few-shot learning methodology for improving safety in industrial scenarios through universal self-supervised visual features and dense optical flow. Appl Soft Comput. 2024;167:112375. https://doi.org/10.1016/j.asoc.2024.112375
  » https://doi.org/10.1016/j.asoc.2024.112375
• ²² Peters MDJ, Godfrey C, McInerney P, Munn Z, Tricco AC, Khalil H. Scoping reviews. In: Aromataris E, Munn Z, editores. Joanna Briggs Institute reviewer's manual. Adelaide: Joanna Briggs Institute; 2020 [citado 6 jun 2025]. p. 408-452. Disponível em: https://doi.org/10.46658/JBIMES-20-12
  » https://doi.org/10.46658/JBIMES-20-12
• ²³ Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D et al. PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Ann Intern Med. 2018;169(7):467-73. https://doi.org/10.7326/M18-0850
  » https://doi.org/10.7326/M18-0850
• ²⁴ Vaca-Recalde ME, Marcano M, Matute J, Hidalgo C, Martinez-Rodriguez B, Bilbao-Arechabala S. Connected and intelligent framework for vehicle automation in smart-ports. IEEE Access. 2024;12:120347-61. https://doi.org/10.1109/ACCESS.2024.3434628
  » https://doi.org/10.1109/ACCESS.2024.3434628
• ²⁵ Kang Y, Huang W, Zhu X, Wu J, Gao X, Sheng X. Investigating the two-by-two relationships between situational awareness, eye movements, & performance in forklift drivers. SSRN. 2024:1-28. https://doi.org/10.2139/ssrn.4867031
  » https://doi.org/10.2139/ssrn.4867031
• ²⁶ Motroni A, Buffi A, Nepa P. Forklift tracking: industry 4.0 implementation in large-scale warehouses through UWB sensor fusion. Appl Sci. 2021;11(22):10607. https://doi.org/10.3390/app112210607
  » https://doi.org/10.3390/app112210607
• ²⁷ Bostelman R, Teizer J, Ray SJ, Agronin M, Albanese D. Methods for improving visibility measurement standards of powered industrial vehicles. Saf Sci. 2014;62:257-70. https://doi.org/10.1016/j.ssci.2013.08.020
  » https://doi.org/10.1016/j.ssci.2013.08.020
• ²⁸ Bragatto PA, Pirone A, Gnoni MG. Application of RFID technology for supporting effective risk management in chemical warehouses. In: Steenbergen RDJ, van Gelder PHAJM, Miraglia S, Vrouwenvelder ACWM, editores. Safety, reliability and risk analysis: beyond the horizon. London: CRC Press; 2014 [citado 6 jun 2025]. p. 1479-1486. Disponível em: https://doi.org/10.1201/b15938
  » https://doi.org/10.1201/b15938
• ²⁹ Jagadeesh RS, Murugesh MC, Viji U. Design and development of an automated forklift with iot weight system. Int J Multidiscip Res Anal. 2024;7(12):5450-6. https://doi.org/10.47191/ijmra/v7-i12-11
  » https://doi.org/10.47191/ijmra/v7-i12-11
• ³⁰ Kovavisaruch L, Maneerat K, Sanpechuda T, Chinda K, Wongsatho T, Wisadsud S et al. UWB tracking for Forklift in near-automate warehouse. In: Proceedings of the 2024 5th Technology Innovation Management and Engineering Science International Conference (TIMES-iCON). New York: IEEE; 2024 [citado 6 nov 2025]. p. 1-5. Disponível em: https://ieeexplore.ieee.org/document/10630749
  » https://ieeexplore.ieee.org/document/10630749
• ³¹ McNinch M, Parks D, Jacksha R, Miller A. Leveraging IIoT to improve machine safety in the mining industry. Min Metall Explor. 2019;36(4):675-81. https://doi.org/10.1007/s42461-019-0067-5
  » https://doi.org/10.1007/s42461-019-0067-5
• ³² Sabir A, Hussain R, Abbas MS, Zaidi SFA, Yang J, Park C. Computer vision-based safe distance-estimation method to prevent forklift tip-overs. Int J Occup Saf Ergon. 2025;32(2):420-39. https://doi.org/10.1080/10803548.2025.2543150
  » https://doi.org/10.1080/10803548.2025.2543150
• ³³ Sang-ngenchai A, Nakazawa M. Smart warehouse safety: computer vision for forklift driver monitoring in warehouse setting. Proceedings of 2025 IEEE International Conference on Consumer Electronics (ICCE). New York: IEEE; 2025 [citado 6 nov 2025]. p. 1-6. Disponível em: https://ieeexplore.ieee.org/document/10930064
  » https://ieeexplore.ieee.org/document/10930064
• ³⁴ Seixas RM, Maués LMF, Rosa CCN, Oliveira FA. Building information modeling (BIM) para gestão da segurança do trabalho em obras de habitações populares. Ambient Constr. 2022;22(3):235-54. https://doi.org/10.1590/s1678-86212022000300617
  » https://doi.org/10.1590/s1678-86212022000300617

• Disponibilidade dos dados:
  Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível em: https://osf.io/8k39x/overview
• Declaração sobre uso de Inteligência Artificial:
  Durante a elaboração do artigo, foi utilizada a ferramenta de inteligência artificial ChatGPT versão Free GPT-5.5, com o objetivo de revisão de linguagem. Os autores declaram que revisaram e validaram todo o conteúdo gerado.
• Apresentação do estudo em evento científico:
  Os autores informam que o estudo não foi apresentado em evento científico.
• Financiamento:
  Departamento Nacional do SESI através da Plataforma Inovação 2024 Estudos e Pesquisas Saúde Ocupacional Conectada; Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001; Edital de Chamada Pública FAPESC nº cp 31/2021 Programa Inova Talentos –FAPESC, processo FAPESC nº 1081/2024.

Editado por

• Editores responsáveis:
  Francisco de Paula Antunes Lima https://orcid.org/0000-0003-4373-6424 Universidade Federal de Minas Gerais - UFMG
  Raoni Rocha Simões https://orcid.org/0000-0003-1181-0132 Universidade Federal de Ouro Preto - UFOP

Disponibilidade de dados

Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível em: https://osf.io/8k39x/overview

Datas de Publicação

• Publicação nesta coleção
  31 Ago 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  09 Jun 2025
• Revisado
  11 Fev 2026
• Aceito
  20 Abr 2026